論文の概要: Fast characterization of inducible regions of atrial fibrillation models
with multi-fidelity Gaussian process classification
- arxiv url: http://arxiv.org/abs/2112.08075v1
- Date: Wed, 15 Dec 2021 12:31:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 17:25:53.786056
- Title: Fast characterization of inducible regions of atrial fibrillation models
with multi-fidelity Gaussian process classification
- Title（参考訳）: 多要素ガウス過程分類を用いた心房細動モデルの誘導可能領域の高速評価
- Authors: Lia Gandera, Simone Pezzutoa, Ali Gharaviri, Rolf Krause, Paris
Perdikaris, Francisco Sahli Costabal
- Abstract要約: 心房細動の計算モデルは最適なアブレーション部位の予測に成功している。
アブレーションパターンの効果を評価するための重要なステップは、モデルを異なる、潜在的にランダムな場所からペースし、不整脈がアトリアで誘発されるかどうかを決定することである。
本研究では,不整脈のあるアトリアの領域を効率的に決定するために,多要素プロセス分類法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Computational models of atrial fibrillation have successfully been used to
predict optimal ablation sites. A critical step to assess the effect of an
ablation pattern is to pace the model from different, potentially random,
locations to determine whether arrhythmias can be induced in the atria. In this
work, we propose to use multi-fidelity Gaussian process classification on
Riemannian manifolds to efficiently determine the regions in the atria where
arrhythmias are inducible. We build a probabilistic classifier that operates
directly on the atrial surface. We take advantage of lower resolution models to
explore the atrial surface and combine seamlessly with high-resolution models
to identify regions of inducibility. When trained with 40 samples, our
multi-fidelity classifier shows a balanced accuracy that is 10% higher than a
nearest neighbor classifier used as a baseline atrial fibrillation model, and
9% higher in presence of atrial fibrillation with ablations. We hope that this
new technique will allow faster and more precise clinical applications of
computational models for atrial fibrillation.
- Abstract（参考訳）: 心房細動の計算モデルは最適なアブレーション部位の予測に成功している。
アブレーションパターンの効果を評価するための重要なステップは、異なる、潜在的にランダムな場所からモデルをペーストし、不整脈をatriaで誘発できるかどうかを決定することである。
本研究では、リーマン多様体上の多元的ガウス過程分類を用いて、不整脈が引き起こされるアトリアの領域を効率的に決定することを提案する。
心房表面上で直接動作する確率的分類器を構築する。
我々は,低分解能モデルを利用して心房表面を探索し,高分解能モデルとシームレスに結合して誘導性領域を同定する。
40個のサンプルで訓練すると,心房細動モデルとして使用される近隣の分類器より10%高く,アブレーションを伴う心房細動の有無で9%高いバランスのバランスの取れた精度を示す。
この新しい技術により、心房細動に対する計算モデルのより高速で正確な臨床応用が可能になることを願っている。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳（メタデータ） (2023-06-16T16:30:39Z) - Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue
Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。
因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文 参考訳（メタデータ） (2023-03-02T06:33:48Z) - Classification of ECG based on Hybrid Features using CNNs for Wearable
Applications [2.0999222360659604]
ハイブリッド機能と3つの異なるモデルを用いたECG分類の性能向上を示す。
この研究で提案されたRR間隔の特徴に基づくモデルでは、98.98%の精度が達成され、ベースラインモデルよりも改善された。
周波数特性とRR間隔特性を組み合わせた別のモデルが開発され、ノイズ環境下での良好な持続性能で99%の精度で達成された。
論文 参考訳（メタデータ） (2022-06-14T12:14:40Z) - How Much is Enough? A Study on Diffusion Times in Score-based Generative
Models [76.76860707897413]
現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。
本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
論文 参考訳（メタデータ） (2022-06-10T15:09:46Z) - Learning cardiac activation maps from 12-lead ECG with multi-fidelity
Bayesian optimization on manifolds [2.1485350418225244]
心臓のアトピー活動は致命的な不整脈を引き起こす。
心臓の異所性活性化を非侵襲的に同定する方法を提案する。
論文 参考訳（メタデータ） (2022-03-11T19:55:49Z) - Machine Learning-based Efficient Ventricular Tachycardia Detection Model
of ECG Signal [0.0]
心不全の一次診断と解析において、心電図信号は重要な役割を果たす。
本稿では,ノイズフィルタを用いた心室頻拍不整脈の予測モデル,心電図の特徴セット,機械学習に基づく分類モデルを提案する。
論文 参考訳（メタデータ） (2021-12-24T05:56:09Z) - Supraventricular Tachycardia Detection and Classification Model of ECG
signal Using Machine Learning [0.0]
心電図(ECG)信号の研究は心疾患の診断に不可欠である。
本研究は,雑音のフィルタリングを含む数段階からなる上室性不整脈予測モデルを提案する。
我々は,異なるタイプの上室頻拍を分類できる機械学習に基づく分類モデルを開発した。
論文 参考訳（メタデータ） (2021-12-24T05:48:26Z) - Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
本研究では,新しいセグメンテーションフリー心音分類法を提案する。
具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。
サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
論文 参考訳（メタデータ） (2021-08-09T16:09:30Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。